論文の概要: Quadruple-star systems are not always nested triples: a machine learning
approach to dynamical stability
- arxiv url: http://arxiv.org/abs/2301.09930v1
- Date: Tue, 24 Jan 2023 11:27:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-25 13:53:06.247954
- Title: Quadruple-star systems are not always nested triples: a machine learning
approach to dynamical stability
- Title(参考訳): 四重星系は必ずしもネストされた三重星ではない--動的安定性に対する機械学習アプローチ
- Authors: Pavan Vynatheya, Rosemary A. Mardling, Adrian S. Hamers
- Abstract要約: 機械学習アルゴリズムである多層パーセプトロン(MLP)を用いて,その安定性(長期有界性)に基づいて2+2および3+1四重項を分類する。
2つの四重項モデルがネストした三重項アプローチよりも優れており、これは特に3+1重項モデルにおいて重要である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The dynamical stability of quadruple-star systems has traditionally been
treated as a problem involving two `nested' triples which constitute a
quadruple. In this novel study, we employed a machine learning algorithm, the
multi-layer perceptron (MLP), to directly classify 2+2 and 3+1 quadruples based
on their stability (or long-term boundedness). The training data sets for the
classification, comprised of $5\times10^5$ quadruples each, were integrated
using the highly accurate direct $N$-body code MSTAR. We also carried out a
limited parameter space study of zero-inclination systems to directly compare
quadruples to triples. We found that both our quadruple MLP models perform
better than a `nested' triple MLP approach, which is especially significant for
3+1 quadruples. The classification accuracies for the 2+2 MLP and 3+1 MLP
models are 94% and 93% respectively, while the scores for the `nested' triple
approach are 88% and 66% respectively. This is a crucial implication for
quadruple population synthesis studies. Our MLP models, which are very simple
and almost instantaneous to implement, are available on GitHub, along with
Python3 scripts to access them.
- Abstract(参考訳): 四重星系の動的安定性は伝統的に、四重星を構成する2つの「ネステッド」三重星を含む問題として扱われてきた。
本研究では,機械学習アルゴリズムである多層パーセプトロンを用いて,その安定性(長期有界性)に基づいて2+2および3+1四重項を直接分類した。
分類のためのトレーニングデータセットは、それぞれ$5\times10^5$ quadruplesで構成され、高精度な$n$-bodyコードmstarを使って統合された。
また,ゼロ傾斜系の限定パラメータ空間研究を行い,四重項と三重項を直接比較した。
4重mlpモデルと3重mlpモデルの両方が,特に3+1倍の3重mlpアプローチよりも優れた性能を示した。
2+2 MLPモデルと3+1 MLPモデルの分類精度はそれぞれ94%と93%であり、"nested"三重アプローチのスコアは88%と66%である。
これは四倍体集団合成研究にとって重要な意味を持つ。
MLPモデルは、非常にシンプルで、実装もほぼ瞬間的であり、それらにアクセスするPython3スクリプトとともにGitHubで利用可能です。
関連論文リスト
- R2-MLP: Round-Roll MLP for Multi-View 3D Object Recognition [33.53114929452528]
多層パーセプトロン(MLP)のみに基づく視覚アーキテクチャは、コンピュータビジョンコミュニティで注目されている。
本稿では,異なるビューからのパッチ間の通信を考慮し,ビューに基づく3次元オブジェクト認識タスクを提案する。
我々のR$2$MLPは、概念的に単純な構造であるため、既存の手法と比較して競争性能が向上する。
論文 参考訳(メタデータ) (2022-11-20T21:13:02Z) - Algebraic and machine learning approach to hierarchical triple-star
stability [0.0]
階層型三つ星系の安定性を決定するための2つの方法を提案する。
1つ目は、Mardling & Aarseth (2001) の半解析的安定性基準の改善である。
二つ目は機械学習のアプローチで、3重星系を「安定かつ不安定」と分類するために多層パーセプトロン(MLP)を用いる。
論文 参考訳(メタデータ) (2022-07-07T08:29:17Z) - Predicting the Stability of Hierarchical Triple Systems with
Convolutional Neural Networks [68.8204255655161]
本稿では,階層型三重項の安定性を予測する畳み込みニューラルネットワークモデルを提案する。
すべてのトレーニングされたモデルは公開されており、純粋な$N$-bodyメソッドよりも200ドルの速さで階層的な3重システムの安定性を予測することができる。
論文 参考訳(メタデータ) (2022-06-24T17:58:13Z) - MLP-3D: A MLP-like 3D Architecture with Grouped Time Mixing [123.43419144051703]
ビデオ認識のための斬新な3Dアーキテクチャを提案する。
結果は、最先端の3D CNNやビデオに匹敵する。
論文 参考訳(メタデータ) (2022-06-13T16:21:33Z) - CycleMLP: A MLP-like Architecture for Dense Prediction [26.74203747156439]
CycleMLPは視覚認識と密度予測のための汎用的なバックボーンである。
様々な画像サイズに対処でき、ローカルウィンドウを使用することで、画像サイズに対する線形計算の複雑さを実現する。
CycleMLPは、モデルに対するオブジェクト検出、インスタンスセグメンテーション、セマンティックセグメンテーションの競合するベースラインを提供することを目的としている。
論文 参考訳(メタデータ) (2021-07-21T17:23:06Z) - MALib: A Parallel Framework for Population-based Multi-agent
Reinforcement Learning [61.28547338576706]
人口ベースマルチエージェント強化学習(PB-MARL)は、強化学習(RL)アルゴリズムでネストした一連の手法を指す。
PB-MARLのためのスケーラブルで効率的な計算フレームワークMALibを提案する。
論文 参考訳(メタデータ) (2021-06-05T03:27:08Z) - MLP-Mixer: An all-MLP Architecture for Vision [93.16118698071993]
マルチ層パーセプトロン(MLP)を基盤としたアーキテクチャ「Mixer」を発表。
Mixerはイメージ分類ベンチマークで競合スコアを獲得し、事前トレーニングと推論は最先端のモデルに匹敵する。
論文 参考訳(メタデータ) (2021-05-04T16:17:21Z) - PlueckerNet: Learn to Register 3D Line Reconstructions [57.20244406275875]
本稿では,ユークリッド空間における2つの部分重畳された3次元線再構成の問題をニューラルネットワークで解く手法を提案する。
室内および屋外の両方のデータセットを用いた実験により,本手法の登録精度(回転と翻訳)は,ベースラインを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2020-12-02T11:31:56Z) - From Two-Class Linear Discriminant Analysis to Interpretable Multilayer
Perceptron Design [31.446335485087758]
2クラス線形判別式解析(LDA)における閉形式解の存在
多層パーセプトロン(MLP)を2クラスLDAシステムの一般化として解釈する。
フィードフォワードのワンパス方式でネットワークアーキテクチャと全フィルタ重みを指定できる自動設計を提案する。
論文 参考訳(メタデータ) (2020-09-09T17:43:39Z) - AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。
最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。
第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。
3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
論文 参考訳(メタデータ) (2020-01-15T18:32:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。